PDF处理从入门到排障：文本提取、转Word与打印修复实用指南

2025年12月的四级考试刚结束，网上就开始流传第1套真题的PDF版本。我拿到手的那份一共9页，文件体积不算大，但接下来的操作让很多人抓狂：想复制几段文字出来复习，复制出来全是乱码；想转成Word改一改格式，排版散成一团；好容易准备打印，打出来又发现只有页面左侧有内容。这份9页的PDF几乎把PDF处理里最常见的坑都踩了个遍。这篇文章就以这份“2025年12月四级真题第1套PDF（共9页）”做样本，从为什么PDF这么难编辑开始，到文本提取、格式转换、页面编辑、打印排障、乱码修复，把一套完整的处理流程讲清楚。无论你手头是考试真题、电子教材、报销发票还是设计图纸，这套方法都能直接照搬。

1. 这份9页PDF的身份信息，先花30秒看清楚

1.1 从文件属性判断文本版还是扫描版

拿到PDF之后，我习惯先看三个东西：文件大小、页数、页面尺寸。右键文件属性就能看到大小和页数，但页面尺寸和PDF版本信息藏得更深一点，需要另外查。

在Windows上如果装了Adobe Acrobat Reader，按Ctrl+D可以打开文档属性，基本信息都在里面。想更快一点，可以用命令行工具pdfinfo，它来自poppler-utils：

bash复制pdfinfo "2025年12月四级真题第1套.pdf"

输出会包含Pages、Page size、PDF version、Metadata等信息。不想装额外工具的话，用Python的pypdf库也行：

python复制from pypdf import PdfReader

reader = PdfReader("2025年12月四级真题第1套.pdf")
print("页数:", len(reader.pages))
print("PDF版本:", reader.pdf_header)
page = reader.pages[0]
print("页面尺寸(pt):", page.mediabox.width, page.mediabox.height)

为什么要先看文件大小？因为这是判断“文本版PDF”和“扫描版PDF”最便宜的指标。纯文本型的PDF，一页包含的主要是文字编码和字体子集，通常只有10到50KB；而扫描版是整页图片，一页落在200KB到1MB都很正常。一份9页的文本版真题，总大小一般在几百KB；要是超过3MB，大概率是扫描图片或者嵌入了大量高清图片。

判断版本这件事直接决定后续走哪条路。文本版可以直接提取文字；扫描版必须走OCR，甚至某些扫描件连OCR都救不了，只能手动校对。用表格来看更直观：

1.2 页面尺寸和方向：打印事故的第一源头

PDF页面尺寸这个概念很多人忽略了，直到打印时才出问题。PDF的单位是磅（point），1英寸等于72磅，A4纸的尺寸是595 x 842磅，换算成厘米是21 x 29.7厘米。用pypdf把9页的尺寸都看一遍：

python复制for i, page in enumerate(reader.pages):
    w = float(page.mediabox.width)
    h = float(page.mediabox.height)
    print(f"第{i+1}页: {w:.1f} x {h:.1f} pt（约 {w/72*2.54:.1f} x {h/72*2.54:.1f} cm）")

如果所有页面都接近595 x 842，说明是标准A4，直接打印基本没问题。但很多从报名网站或考试系统导出的PDF，页面尺寸可能是自定义的，比如1000 x 800磅，或者每一页尺寸都不一样。这种文件如果按“实际大小”打印，内容会被裁掉；按“适合页面”打印，又可能留出大片空白。所以打印之前先做一次页面尺寸体检，能避开后面很多麻烦。

1.3 9页试卷的页序检查：翻一遍只花10秒

很多人拿到PDF就直接复制或者转换，我建议先花10到30秒把9页从头到尾过一遍。这不是浪费时间，而是确认三件事：页序是否正常、有没有缺页、有没有重复页。

我从别人手里拿到过的考试类PDF，经常出现第3页和第4页顺序颠倒、第7页重复出现了两次、最后一页被截成半页的情况。这些用任何自动化工具都很难提前发现，人工翻一遍最靠谱。PDF阅读器左侧有缩略图栏，连续滚动看缩略图比一页页翻快得多。确认这三点之后再进入解析环节，后面所有操作才是有意义的。

2. PDF解析：把文字和图片从页面里“抠”出来

2.1 PDF为什么“看得见摸得着却不好编辑”

要做解析，先得明白PDF的内部结构。PDF可以理解成一张画布，页面上的每个元素都记录着自己在这张画布上的精确坐标。文字不是像Word那样按段落存储的，而是以“内容流”的方式，记录着一串操作指令：在(x, y)位置用某个字体显示字符串“Hello”，紧接着在另一个坐标画一条线，或者放一张图片。

经典的显示文本操作符是Tj和TJ，它们后面跟的字符串才是你看到的文字内容。问题是，这个字符串的编码不一定对应Unicode，它可能只是字体内部的一个字形编号。PDF阅读器能通过字体资源里的CMap表把字形显示出来，但如果没有ToUnicode映射，复制出来的就是乱码。这就是为什么很多PDF“看着正常，一复制就原形毕露”。

把PDF结构比作家具会更清楚：一台做好的实木椅子送到你面前，你看到的是椅子的形态，但你想把它改回一堆木材，再重新拼成一张桌子，这就非常困难。PDF解析就是从已成型的家具里逆向推断哪里是腿、哪里是背板，试图理解原本的设计意图。

2.2 文本型PDF：用pdfplumber提取正文和表格

判断出这份9页的PDF是文本版之后，我第一个工具是pdfplumber。它基于PDFMiner，能按照坐标重构文本顺序，而且对表格的提取比PyPDF2友好得多。

安装后直接跑：

python复制import pdfplumber

with pdfplumber.open("2025年12月四级真题第1套.pdf") as pdf:
    print("总页数:", len(pdf.pages))
    for i, page in enumerate(pdf.pages):
        text = page.extract_text()
        print(f"----- 第{i+1}页 -----")
        print(text[:500] if text else "[本页没有提取到文本]")

这里有个需要留意的点：extract_text()是按坐标从下到上、从左到右重建文本顺序的。真题阅读部分经常是左右分栏排版，直接提取出来的文字可能会把左栏和右栏的内容混在一起。遇到这种情况，可以调整x_tolerance参数，它表示同一行里相邻字符的最大水平间距，适当调大能让左右栏被识别为不同文本块。

提表格用extract_table()：

python复制table = page.extract_table()
if table:
    for row in table:
        print(row)

但真题PDF里单一的表格不多，大部分是文字题和图片题，所以表格提取在试卷场景里不是重点。如果你的PDF是财务报表、调查问卷，这个功能就非常值钱了。

2.3 图片型PDF：先用PyMuPDF切片图片，再走OCR

如果pdfplumber提取出来的text全是None，或者复制文字时根本选不中，那基本可以断定这是扫描版。扫描版PDF的每一页本质上是一张图片，处理思路是先把页面渲染成高分辨率图片，再交给OCR引擎识别文字。

用PyMuPDF（import名是fitz）来做页面渲染和图片提取，效率非常高：

python复制import fitz

doc = fitz.open("2025年12月四级真题第1套.pdf")

# 把每一页渲染成2倍分辨率的PNG图片
for page in doc:
    pix = page.get_pixmap(matrix=fitz.Matrix(2, 2))
    pix.save(f"page-{page.number+1}.png")

# 提取页面内嵌的每一张图片
for page in doc:
    for img in page.get_images(full=True):
        xref = img[0]
        pix = fitz.Pixmap(doc, xref)
        # CMYK图片直接存PNG会出错，需要转成RGB
        if pix.colorspace and pix.colorspace.name == "CMYK":
            pix = fitz.Pixmap(fitz.csRGB, pix)
        pix.save(f"image-xref-{xref}.png")

渲染成图片之后，OCR就看你的环境了。Tesseract是老牌开源方案，需要单独下载语言包：

bash复制tesseract page-1.png out -l chi_sim

Python里可以用pytesseract调：

python复制import pytesseract
from PIL import Image

text = pytesseract.image_to_string(Image.open("page-1.png"), lang="chi_sim")
print(text)

如果英文和中文混排，语言参数可以写成lang="chi_sim+eng"。我实际测试下来，300DPI以上的渲染图识别准确率才有保证，2倍缩放大约能到144DPI，比较模糊的原件建议开到3倍以上。OCR不是万能的，遇到加粗黑体、带下划线、表格线压字的题目，识别结果会烂到没法看。

2.4 解析时常见的坑：分栏混排、隐藏文字、字体编码

解析PDF时最容易踩的坑有三个。

第一个是分栏混排。前面提到过，真题阅读题左右两栏，pdfplumber提取时可能把两栏混成一段，想恢复阅读顺序就得人工介入。更好的办法是先通过page.columns或其他版面对齐工具做分栏检测，但效果取决于版面复杂度，没有银弹。

第二个是隐藏文字。有些试卷PDF为了让用户只能看不能复制，会把一层透明文字盖在图片上，或者用白色字体写出干扰内容。用pdfplumber能看到这些隐藏字符，但打印时看不到；反过来，有些文字被转成图片后，又不参与文本提取。这两种情况都要靠OCR兜底。

第三个就是字体编码问题。这一步在第六章还会详细展开。简单说，如果提取出来的是乱码，别怀疑python库出了问题，是PDF内部根本没存Unicode映射。这时唯一有效的办法就是渲染成图片再OCR。

3. 格式转换：PDF转Word、网页、图片的正确姿势

3.1 PDF转Word总乱版，根子在“固定布局 vs 流式布局”

我在多个群里看到有人抱怨“PDF转Word怎么转都是乱的”。这不是工具不行，是两种文档模型天然不兼容。

Word这类文字处理软件的底层是流式布局：文字按段落顺序排列，遇到换行自然流动，修改一个词，后面的内容自动重排。PDF是固定布局：每个字符的坐标都写死了，它只关心“显示在哪”，不关心“这段是不是一个段落”。转换器要做的事情，是从固定坐标反推段落结构、标题层级、列表关系，再把它们塞回流式文档里。这个过程本质上是在猜，猜错了排版就崩。

一份9页的四级真题PDF，包含多栏文本、题号、图片、音量波形图、表格线，转换器能猜对一半就不错了。我能给的最实用的建议是：如果目标只是拿到里面的文字，用文本提取比直接转Word可靠得多；如果一定要生成可编辑的Word，第一步先把PDF转成纯文本或Markdown，手工清理一遍后再重新排版，最终的版式比任何自动转换都干净。

3.2 本地转换工具的选型：Adobe、WPS、LibreOffice怎么选

我在不同场景下用过的PDF转Word工具，各有取舍：

我的习惯是本地优先。特别是涉及发票、合同这类敏感文档，往在线工具上传等于把隐私交给别人保管。热搜里有个词叫“pdf发票 本地对账”，说的正是这个场景：电子发票本身就是带版式的PDF，完全可以用pdfplumber把发票号和金额字段提取出来，拿到本地做Excel对账，根本不需要上传到任何网站。

3.3 用Microsoft Print to PDF把“打印”变成“生成PDF”

很多人的电脑上找不到“Microsoft Print to PDF”这个打印机。它是Windows自带的虚拟打印机，不需要下载驱动，只需要在系统设置里把它启用。

启用路径是：设置 → 应用 → 可选功能 → 添加功能 → 搜索“Microsoft Print to PDF” → 安装。如果找不到这个选项，说明系统是精简版，可以尝试在“打印机和扫描仪”里手动添加打印机，选择“通过手动设置添加本地打印机或网络打印机”，端口选“使用现有端口：PORTPROMPT”，驱动列表里找“Microsoft Print to PDF”。装好之后，任意能打印的应用里按Ctrl+P，选择这台打印机，就能输出一份新的PDF。

这个功能最实用的场景有两个。一是把网页、图片、课件等不可编辑的内容转成PDF；二是给有问题的PDF“洗一遍”。有些PDF文件内部结构混乱，在浏览器里显示正常，但打不开或提取失败，把它重新“打印”成一份新PDF，有时能顺带修复不少问题。

3.4 免费在线工具的局限和本地化替代

在线PDF工具处处是坑：免费版限制文件不超过一定大小，页数超过3页就要求付费；就算转出来了，右上角盖一个水印；更麻烦的是，上传到别人的服务器，等于把文档内容交出去了。

我的建议是找一套本地工具组合取代在线工具：pdfplumber做解析，PyMuPDF做图片和渲染，pypdf做拆合，LibreOffice做格式转换，Tesseract做OCR。这一套组合应付日常99%的需求都没有问题。如果你还要把Markdown转成PDF，可以用pandoc配合LaTeX或weasyprint；想在前端网页弹窗里预览PDF，可以用PDF.js渲染到Canvas而不是直接丢一个iframe；自建NAS想要在线预览，可以用Docker跑OnlyOffice Docs。每个场景都有成熟的开源方案，离开在线PDF网站大家照样能活。

4. 编辑与组装：拆页、合并、加水印、修复缩略图

4.1 pypdf实现拆页、挑页、合并

一份9页的PDF有时不需要全部内容，只要后面几页翻译题，或者想把零散发来的几份资料合并成一份完整复习包。这些操作用pypdf就能完成，而且完全本地执行。

拆出指定页面：

python复制from pypdf import PdfReader, PdfWriter

reader = PdfReader("2025年12月四级真题第1套.pdf")
writer = PdfWriter()
for idx in [7, 8]:  # 取第8页和第9页
    writer.add_page(reader.pages[idx])
with open("translate-pages.pdf", "wb") as f:
    writer.write(f)

合并三个PDF：

python复制from pypdf import PdfWriter

writer = PdfWriter()
for filename in ["听力部分.pdf", "阅读部分.pdf", "翻译写作部分.pdf"]:
    reader = PdfReader(filename)
    for page in reader.pages:
        writer.add_page(page)
with open("merged-exam.pdf", "wb") as f:
    writer.write(f)

如果觉得写代码麻烦，可以装一个pdfarranger，它把PDF页面像拼图一样展示，支持拖拽排序、旋转、删除、合并，是可视化处理PDF页面的利器。pypdf适合批量、可复现的操作，pdfarranger适合鼠标点两下就完事的小需求，两者互补。

4.2 给整套试卷加水印和页码

网上下载的真题PDF常带着“仅供学习交流”的水印，或者你自己想在分享出去之前加个名字水印。pypdf的merge_page可以把一个水印PDF叠加到目标页面上：

python复制from pypdf import PdfReader, PdfWriter

watermark = PdfReader("watermark.pdf").pages[0]
reader = PdfReader("2025年12月四级真题第1套.pdf")
writer = PdfWriter()

for page in reader.pages:
    page.merge_page(watermark)
    writer.add_page(page)

with open("output-with-watermark.pdf", "wb") as f:
    writer.write(f)

注意水印PDF的页面尺寸要和目标PDF一致，否则merge_page会按坐标直接叠放，大小不匹配的话水印位置会跑偏。想加页码的话，可以用reportlab先生成一个只有页码数字的PDF，再用同样的方式合并到每一页。我通常把页码放在页脚偏右的位置，字号11号左右，比Word自动页码明显但不抢眼。

4.3 Windows下PDF缩略图不显示的补丁式修复

很多人发现Windows资源管理器里PDF文件只显示一个图标，不显示页面缩略图。这个问题对应的解决方案还挺微妙，原因通常是三者之一：

• 资源管理器的“始终显示图标，从不显示缩略图”被勾选了。检查路径：文件夹选项 → 查看 → 取消勾选“始终显示图标，从不显示缩略图”。
• 系统缺少PDF缩略图预览处理器。装上Adobe Acrobat Reader DC后，它会在注册表里注册预览Handler，缩略图就能正常显示。
• 缩略图缓存损坏。用磁盘清理里面的“缩略图”项，或者执行ie4uinit.exe -show重建图标缓存。

如果装了Adobe Reader还是不行，可以试试第三方缩略图组件，比如sagethumbs。这类组件被戏称为“pdf缩略图补丁”，本质上是往Windows注册表里加一个COM接口，让资源管理器知道怎么画PDF预览。装完之后记得重启资源管理器，设置立即生效。

5. 打印实测：为什么9页PDF打出来“只剩半边”

5.1 打印前的页面尺寸体检

打印PDF最让人崩溃的瞬间，是预览时一切正常，纸出来之后内容被切掉一半。这种问题十有八九出在页面尺寸和缩放设置上。

先用前面第一章的pypdf脚本检查所有页面的mediabox尺寸。如果页面宽度大于实际A4宽度，打印机又处“实际大小”模式，那超出纸张边界的部分就会被直接裁掉。PDF阅读器的打印对话框里通常有“适合可打印区域”“缩小以适合页面”“实际大小”三个选项，遇到大页面打印机选“缩小以适合页面”基本能解决。

有些专业设计软件导出的PDF，页面里还包含TrimBox、CropBox等裁剪框信息。Acrobat在打印时默认按“裁剪框”来理解页面范围，如果裁剪框比实际内容小，打印出来就会缺边。这时需要在Acrobat的打印设置里把“页面缩放”改成“自定义比例”，或者用pypdf检查一下cropbox：

python复制for i, page in enumerate(reader.pages):
    print(i + 1, "mediabox:", page.mediabox, "cropbox:", page.cropbox)

如果cropbox明显比mediabox小，内容确实会被裁剪。这类问题在广告设计稿、PCB原理图导出的PDF里特别常见，热搜里的“ad20导出原理图pdf只有部分区域”就是典型的cropbox和实际页面尺寸不匹配。

5.2 部分区域打印不出来的排查链路

我按自己遇到过的案例，把“打印只有部分区域”的排查顺序整理出来：

1. 先确认PDF页面尺寸是不是标准A4。不是的话，用“适合页面”打印再试。
2. 确认页面方向。横向页面打印到纵向A4会缩小到看不清，或者出现左右大面积留白。
3. 检查打印机的“缩放”设置。有些打印机驱动默认设置了“适合边框”，但“边框”的计算方式和阅读器不同，导致边缘被切。
4. 检查PDF是否有CropBox。有的话，用Acrobat的“设置页面框”把裁剪框清除或重置为实际内容范围。
5. 如果还不行，把这份PDF用Microsoft Print to PDF重新输出一份A4尺寸的PDF，再去打印。这一步相当于把不规范的页面元数据“洗”掉。

这套链路我验证过很多次，95%的打印缺边问题都能在第三步或第五步解决。整个过程不需要动原文件，最多生成一个打印副本，放心试。

5.3 网页预览PDF和网页内嵌PDF的下载打印

现在很多平台不再提供PDF附件下载，而是在网页里嵌入一份PDF预览。想拿下来打印，第一反应是Ctrl+P，其实不一定对。

网页里的PDF通常有两种存在方式：一种是直接用PDF文件地址打开，浏览器自带的PDF查看器展示，这种最简单，地址栏就是文件链接，右键保存就行；另一种是嵌在HTML的iframe或object标签里，地址藏在页面源码中。可以按F12打开开发者工具，找到Embedded的src属性，通常就是PDF的真实URL，直接在新标签打开再保存。

如果网站用Blob URL动态加载PDF，src可能是一长串blob:https://...，这时候从Network面板找到PDF文件的请求，右键“另存为”即可。下载成功后，再按第五章的方法做页面体检和打印设置，应该是花不了多少时间的。

5.4 给开发者的两句提醒：弹窗预览和NAS预览

有开发需求的话，这里顺带提两个点。

Element UI的Dialog弹窗里加载PDF，不要直接把整个PDF文件塞给后端做转换，前端用<iframe :src="pdfUrl">就能实现预览，但移动端体验很差。更好的做法是用PDF.js把PDF渲染成Canvas，再做分页滑动。你的后端只需要提供一个能正常响应Range请求的静态文件接口，别让大PDF一次性加载进内存。

自己组了NAS、想在浏览器里预览PDF的朋友，可以不用装正版Adobe全家桶。用Docker部署OnlyOffice Docs，配合Alist的文件列表功能，在网页里点击PDF文件时调用OnlyOffice的预览地址，效果和WPS在线预览差不多，而且数据完全在自己服务器上。这套方案对隐私敏感的资料非常友好。

6. 中文乱码与转曲：字体问题的最后一块拼图

6.1 能显示、复制乱码的真相

PDF里复制文字出来全是乱码，这个问题几乎没有一步到位的修复方案，因为它属于“先天缺陷”。PDF文档里存储文字时，会建立一个“字形编号到字符显示”的映射关系，如果文档创建工具没有写入ToUnicode CMap表，阅读器就只认识字形编号，不认识这些编号对应的Unicode字符。于是显示没问题，复制时却拼不出正确字符。

这类PDF多见于早期国产Word插件导出的文件、某些CSDN下载的试卷扫描版、自研软件生成的报表。想让它“能复制”，唯一可靠的方法是OCR重打一层文本，或者用Acrobat的“增强扫描”功能识别后添加文本层。普通用户不建议手动编辑PDF内部结构去补ToUnicode表，投入产出比太低。

6.2 什么时候必须转曲，怎么转

转曲（outline）是把所有文字转换成矢量轮廓线框，不再依赖任何字体文件。转曲后的PDF在任何设备上打开都是一模一样的形状，不会因为缺字体而替换成系统默认字体，也不会出现乱码。

如果你只是打印普通A4文档和学习资料，不需要转曲。真正必须转曲的场景是印刷：广告公司出画册、名片、宣传单，文件发到印刷厂，印刷机那套系统里不一定安装了你的字体，字体缺失就会替换成相近字体，版式分分钟崩掉。试卷类PDF如果只是电子分享，转不转曲并不影响阅读。

转曲最标准的方法是用Adobe Acrobat Pro：打开PDF后进入“印前检查”工具，选择“将文本转换为轮廓”，确认后保存。没有Acrobat Pro的话，用InDesign或Illustrator打开PDF再导出时勾选“转为轮廓”也能达到一样效果。需要提醒的是，转曲之后的PDF文字不可搜索、不可编辑，文件体积还会变大，属于“用可编辑性换可靠性”的操作，想清楚再动手。

6.3 字体嵌入检查与统一修复

印刷或跨设备分享PDF之前，建议检查一下字体有没有真正嵌入。Acrobat的文件属性 → 字体列表里，未嵌入的字体后面会标注“未嵌入”三个字。用PyMuPDF也能自动检查：

python复制import fitz

doc = fitz.open("2025年12月四级真题第1套.pdf")
for page in doc:
    for font in page.get_fonts():
        print(font)

get_fonts返回的元组至少包含xref、ext、type、basefont等字段，重点看basefont前面的字体名以及ext是不是“Type0”或“TrueType”。如果发现某些字体未嵌入，可以用Ghostscript重新处理一份：

bash复制gswin64c -dNOPAUSE -dBATCH -dSAFER \
  -sDEVICE=pdfwrite \
  -dPDFSETTINGS=/prepress \
  -dEmbedAllFonts=true \
  -dSubsetFonts=true \
  -o output.pdf "2025年12月四级真题第1套.pdf"

这段命令的作用是把所有字体嵌入并精简子集，输出一份新的PDF。严格来说这不能解决“复制乱码”的问题，但能解决“换设备打开字变样”的问题。很多人把这两个问题混为一谈，排查时容易走弯路。

7. 我的处理流水线和问题速查表

7.1 从拿到PDF到最终交付的固定动作

处理PDF这些年，我总结了一套固定动作，不管面对什么类型的PDF，先按这个顺序走一遍：

1. 看文件属性：大小、页数、版本。
2. 打开PDF，试着选中文字，判断文本版还是扫描版。
3. 用pdfplumber或PyMuPDF提取需要的内容；提取不到就渲染成图片走OCR。
4. 根据用途决定下一步：要编辑就提取文本重排，要合并拆分就上pypdf，要打印就先查页面尺寸。
5. 输出前统一处理字体嵌入问题，避免换设备翻车。

这套流程的核心理念是“先定性，再动手”。我见过太多人一拿到PDF就丢给在线转换工具，被水印、页数限制和排版错乱折磨一整晚，最后发现那是个扫描版PDF，根本不适合直接转Word。提前花30秒做判断，比盲目试工具省时间得多。

7.2 高频问题速查表

7.3 一个批量处理的示例脚本

最后附一个非常实用的脚本，把一份9页PDF拆成9个单页PDF，文件名按页码编号，适合只需要选其中某几页的场景：

python复制from pypdf import PdfReader, PdfWriter
from pathlib import Path

input_path = Path("2025年12月四级真题第1套.pdf")
out_dir = Path("split")
out_dir.mkdir(exist_ok=True)

reader = PdfReader(str(input_path))
for i, page in enumerate(reader.pages):
    writer = PdfWriter()
    writer.add_page(page)
    out_path = out_dir / f"page-{i+1:02d}.pdf"
    with out_path.open("wb") as f:
        writer.write(f)
    print(f"已生成: {out_path}")

把这个思路扩展一下，就能可以批量重命名、批量加水印、批量把整个文件夹内所有PDF合并成一份。命令行和Python在处理大批量PDF时优势非常明显，手动打开几十个文件再每个另存为，和一行脚本跑完，效率完全不在一个量级。

我个人处理PDF的习惯是：无论拿到什么文件，先不急着转或改，花半分钟确认它到底是文本版还是扫描版、页面实际尺寸多大，这两点直接决定后续路线。这比我一开始就到处找在线转换工具高效得多。这份9页的四级真题PDF只是个引子，换成电子教材、报销发票、设计图纸，排查思路完全一样。你按这套流程走一遍，以后再遇到奇怪的PDF，应该不会再慌。